标题党真的能吸引更多的点击吗？你必须阅读的三个标题党研究

文献标题

Does Clickbait Actually Attract More Clicks? Three Clickbait Studies You Must Read

文献信息

• 主题领域: 数字媒体，用户行为分析，机器学习
• 关键词: 点击诱饵 (clickbait), 用户参与 (engagement), 内容感知, 机器学习, 新闻标题, 信息处理, 好奇心, 假新闻, 自动分类器, 社会媒体

研究背景与问题

• 研究问题及挑战:

  1. 点击诱饵（Clickbait）是否更能吸引用户点击？长期以来，对于点击诱饵吸引点击的有效性存在矛盾的研究结果。
  2. 自动分类器对点击诱饵的判定是否有效？不同的分类器对点击诱饵的分类存在显著差异，可能影响研究结论。
  3. 点击诱饵标题所使用的语言特征是否有助于用户参与？

• 重要性:

  1. 点击率是线上内容经济的核心指标，理解点击诱饵的实际作用对新闻机构和内容创作者意义重大。
  2. 点击诱饵往往与欺骗性内容、虚假新闻等负面内容联系在一起，理解其机制有助于打击不良内容。

• 研究动机与相关工作:

  • 现有研究对于点击诱饵效果结论不一：部分研究表明其提高用户参与，另一些研究指出其并未显著作用，甚至可能降低内容可信度。
  • 自动点击诱饵检测模型的有效性存在争议，这些模型的不同假设和实现方式导致了结果的不一致。
  • 本文试图通过结合行为实验与计算分析，为点击诱饵的作用和分类器的可靠性提供更全面的证据。

解决方案

• 研究方法: 本文通过三项研究探究点击诱饵的吸引力和自动分类器的可靠性：

  1. 研究1: 采用混合观察实验，分析机器学习检测器判定的点击诱饵标题与用户点击和分享的关系。
  2. 研究2: 设计控制实验，通过对比同一故事下不同类型标题的用户反应，控制内容干扰。
  3. 研究3: 基于真实世界数据，比较多种点击诱饵自动分类器的有效性及其分类一致性。

• 创新之处:

  1. 使用多种方法（包括行为实验和计算分析）交叉验证点击诱饵的有效性。
  2. 从多种语言特征角度系统性分析点击诱饵的作用。
  3. 分析分类器的分类一致性，为点击诱饵检测提供系统性评价。

• 实施步骤和关键技术:

  1. 在行为实验中，使用受控设计（如随机化）和多维指标（如点击率、分享率、可信度评分）分析用户行为。
  2. 使用多种机器学习模型（包括深度学习和传统模型）训练和评估点击诱饵分类。
  3. 数据来源包括人为标注数据和基于源假设的弱监督数据，通过比较提高结论的可信度。

研究成果

• 主要发现:

  1. 点击诱饵的对用户行为的影响有限，非点击诱饵标题在某些情境下甚至更吸引点击。
  2. 不同语言特征的点击诱饵吸引力不同，如“列举型标题”(lists) 和“疑问词标题” (“wh” words) 更受欢迎，而“模态词标题”(modals) 较低。
  3. 四种点击诱饵分类器对标题的分类仅有47%的总体一致性，表明自动检测方法的可靠性问题。

• 与现有解决方案的比较:

  • 与基于计算分析的研究不同，本研究强调了内容特征与用户行为差异性，并揭示了自动分类器结论中的潜在混淆变量。

• 实验结果总结:

  • 用户对点击诱饵的点击行为并不显著更高。
  • 点击诱饵的分类标准难以统一，分类器的假设影响了分类结果。

• 局限性与未来方向:

  1. 本研究主要聚焦于七种语言特征，未来可纳入更多特征检测其组合效果。
  2. 数据样本虽然多样（包括线上参与者和MTurker等），但在规模和代表性上有提升空间。
  3. 后续研究可进一步探索内容主题与用户行为的关系，以及线上头条文章位置信息对用户点击的影响。